如何用 python 计算 rmse

均方根误差 (RMSE)是一个指标，它告诉我们模型中的预测值与观测值的平均差距有多大。计算方法如下：

RMSE = √[ Σ(P _i – O _i ) ² / n ]

金子：

• Σ 是一个奇特的符号，意思是“和”
• P _i是^{第 i 个}观测值的预测值
• O _i是^{第 i 个}观测值的观测值
• n 是样本量

本教程介绍了一种在 Python 中计算 RMSE 的简单方法。

示例：用 Python 计算 RMSE

假设我们有以下实际值和预测值表：

 actual= [34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24]
pred = [37, 40, 46, 44, 46, 50, 45, 44, 34, 30, 22, 23]

要计算实际值和预测值之间的 RMSE，我们可以简单地取sklearn.metrics 库中的Mean_squared_error()函数的平方根：

 #import necessary libraries
from sklearn.metrics import mean_squared_error
from math import sqrt

#calculate RMSE
sqrt(mean_squared_error(actual, pred)) 

2.4324199198

RMSE 结果为2.4324 。

如何解释 RMSE

RMSE 是查看模型与数据集拟合程度的有用方法。 RMSE 越大，预测值和观测值之间的差异越大，意味着模型对数据的拟合程度越差。相反，RMSE 越小，模型对数据的拟合效果越好。

比较两个不同模型的 RMSE 以了解哪个模型最适合数据尤其有用。

其他资源

均方根误差计算器
如何在 Python 中计算均方误差 (MSE)
如何在Python中计算MAPE